[發明專利]數據挖掘模型構建方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202211545516.5
• 申請日: 2022-12-05
• 公開（公告）號: CN116167011A
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 鄭子彬;徐福仁;林昊;蔡倬;趙山河;王耀南;林華春
• 申請（專利權）人: 招聯消費金融有限公司;中山大學
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06N20/00
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 左幫勝

1.一種數據挖掘模型構建方法，其特征在于，所述方法包括：

獲取訓練樣本數據，所述訓練樣本數據包括對象特征數據與對象特征標識；

基于所述訓練樣本數據分別訓練至少三個子模型，基于所述至少三個子模型輸出分別調整對應的子模型參數，得到至少三個目標子模型；

分別獲取所述至少三個目標子模型對應的至少三個目標子模型輸出結果；

將所述至少三個目標子模型輸出結果進行融合得到融合子模型輸出結果；

基于所述融合子模型輸出結果和對象特征標識訓練第一初始網絡模型，得到第一目標網絡模型；

獲取第一目標網絡模型的第一輸出結果，基于所述第一輸出結果訓練第二初始網絡模型，得到第二目標網絡模型；

基于所述訓練樣本數據訓練第二初始網絡模型，得到第三目標網絡模型；

基于所述至少三個目標子模型、第一目標網絡模型、第二目標網絡模型、第三目標網絡模型得到目標數據挖掘模型。

2.根據權利要求1所述的方法，其特征在于，所述獲取訓練樣本數據之前，還包括：

獲取原始特征數據；

對所述原始特征數據的各個維度數據進行相關性分析得到各個維度數據對應的相關度；

將相關度大于或等于預設閾值所對應的維度數據組合得到訓練樣本數據。

3.根據權利要求1所述的方法，其特征在于，所述基于所述訓練樣本數據分別訓練至少三個子模型，基于所述至少三個子模型輸出分別調整對應的子模型參數，得到至少三個目標子模型，包括：

基于五折交叉驗證的方法，通過所述訓練樣本數據訓練至少三個子模型；

基于所述至少三個子模型輸出得到所述至少三個子模型中每個子模型在五折交叉驗證方法下的模型精度；

根據所述模型精度得到至少三個目標子模型。

4.根據權利要求1所述的方法，其特征在于，所述基于所述融合子模型輸出結果和對象特征標識訓練第一初始網絡模型，得到第一目標網絡模型，包括：

基于五折交叉驗證的方法，通過所述融合子模型輸出結果和對象特征標識訓練第一初始網絡模型；

基于所述第一初始網絡模型輸出結果確定所述第一初始網絡模型在五折交叉驗證方法下的模型精度；

根據所述模型精度確定第一目標網絡模型。

5.根據權利要求1所述的方法，其特征在于，所述獲取第一目標網絡模型的第一輸出結果，基于所述第一輸出結果訓練第二初始網絡模型，得到第二目標網絡模型，包括：

基于五折交叉驗證的方法，通過所述第一輸出結果訓練第二初始網絡模型；

基于所述第二初始網絡模型的輸出結果確定所述第二初始網絡模型在五折交叉驗證方法下的模型精度；

根據所述模型精度確定第二目標網絡模型。

6.根據權利要求1所述的方法，其特征在于，所述基于所述至少三個目標子模型、第一目標網絡模型、第二目標網絡模型、第三目標網絡模型得到目標數據挖掘模型，包括：

根據所述第二目標網絡模型的輸出結果確定第二目標網絡模型精度；

根據所述第三目標網絡模型的輸出結果確定第三目標網絡模型精度；

當所述第二目標網絡模型精度大于所述第三目標網絡模型精度時，基于所述至少三個目標子模型、第一目標網絡模型以及第二目標網絡模型得到目標數據挖掘模型；

當所述第二目標網絡模型精度小于所述第三目標網絡模型精度時，基于所述至少三個目標子模型、第一目標網絡模型以及第三目標網絡模型得到目標數據挖掘模型。

7.根據權利要求1所述的方法，其特征在于，所述基于所述至少三個目標子模型、第一目標網絡模型、第二目標網絡模型、第三目標網絡模型得到目標數據挖掘模型，包括：

根據所述至少三個目標子模型進行并列組合得到第一層級網絡；

將所述第一層級網絡、所述第一目標網絡模型與第二目標網絡模型和第三目標網絡模型中的至少一個進行依次串接組成目標數據挖掘模型。